摘要:研究人员将软件系统中的关键类作为理解和维护一个系统的起点，而关键类上的缺陷给系统带来了极大的安全隐患.因此，识别关键类可提高软件的可靠性和稳定性.常用的识别方法是将软件系统抽象为一个类依赖网络，再根据定义好的度量指标和计算规则计算每个节点的重要性得分，如此基于非训练框架得到的关键类，并没有充分利用软件网络的结构信息.针对这一问题，基于图神经网络技术提出了一种有监督的关键类识别方法.首先，将软件系统抽象为类粒度的软件网络，并利用网络嵌入学习方法Node2Vec得到类节点的表征向量，再通过一个全连接层将节点的表征向量转换为具体分值；然后，利用改进的图神经网络模型，综合考虑类节点之间的依赖方向和权重，进行节点分值的聚合操作；最后，模型输出每个类节点的最终得分并进行降序排列，从而实现关键类的识别.在8个Java开源软件系统上，通过与基准方法的实验对比，验证了该方法的有效性.实验结果表明：在前10个候选关键类中，所提方法比最先进的方法提升了6.4%的召回率和3.5%的精确率.

摘要:软件系统是一个复杂的人工制品, 类之间的交互关系对软件质量有着潜在影响, 如软件缺陷的级联传播效应就是一个典型. 如何准确预测软件系统中类之间合理关系, 优化设计结构是软件质量保障的一个开放问题. 从软件网络观的视角, 综合考虑软件系统中类与类之间关系(外部图), 以及每个类内部方法之间关系(内部图), 将软件系统抽象成一个图中图结构的软件网络, 并在此基础上提出一种基于图中图卷积神经网络的类交互关系预测方法. 首先对每个类内部图进行卷积得到类节点的初始特征, 再通过外部图的卷积更新类节点的表征向量, 最后通过计算类节点对的评估值进行交互预测. 根据在6个Java开源项目上的实验结果显示, 图中图结构有助于提高软件系统结构的表征能力, 且所提方法与常规网络嵌入方法相比, AUC值和AP值的平均增长率超过5.5%. 与此同时, 和两种同行方法相比, AUC值和AP值的平均增长率分别在9.36%和5.22%以上.

摘要:当下, 软件系统中元素间的交互错综复杂, 涵盖了包间、类间和函数间等多种关系. 准确理解这些关系对于优化系统结构以及提高软件质量至关重要. 分析包间关系有助于揭示模块间的依赖性, 有利于开发者更好地管理和组织软件架构; 而类间关系的明晰理解则有助于构建更具扩展性和可维护性的代码库; 清晰了解函数间关系则能够迅速定位和解决程序中的逻辑错误, 提升软件的鲁棒性和可靠性. 然而, 现有的软件系统交互关系预测存在着粒度差异、特征不足和版本变化等问题. 针对这一挑战, 从软件包、类和函数这3种粒度构建相应的软件网络模型, 并提出一种结合局部和全局特征的全新方法, 通过软件网络的特征提取和链路预测方式, 来增强对软件系统的分析和预测. 该方法基于软件网络的构建和处理, 具体步骤包括利用node2vec方法学习软件网络的局部特征, 并结合拉普拉斯特征向量编码以综合表征节点的全局位置信息. 随后, 利用Graph Transformer模型进一步优化节点属性的特征向量, 最终完成软件系统的交互关系预测任务. 在3个Java开源项目上进行广泛的实验验证, 包括版本内和跨版本的交互关系预测任务. 实验结果显示, 相较于基准方法, 所提方法在版本内的预测任务中, 平均AUC和AP值分别提升8.2%和8.5%; 在跨版本预测任务中, 平均AUC和AP值分别提升3.5%和2.4%.